(纯计算)日本东北大学Phys. Rev. Lett.: 机器学习预测晶体结构的带电缺陷形成能

背景：材料科学中，实验发现新材料成本高、周期长，第一性原理计算和高通量计算虽构建了大规模材料数据库，但理论预测的商业化材料有限，部分原因在于实际材料中的缺陷（如半导体中的点缺陷）对性能有重要影响，而传统计算常忽略缺陷。研究目的：为克服从结构数据预测多电荷态缺陷形成能的挑战，日本东北大学Yu Kumagai课题组提出一套标准化机器学习框架，旨在高效预测带电缺陷形成能，并整合缺陷形成能与带边预测，以筛选有潜力的半导体材料。结论：该框架通过数据归一化、费米能级对齐等流程，能准确预测氧空位形成能，并应用于虚拟筛选，成功识别出89种具空穴掺杂潜力的氧化物，如BaGaSbO。但框架对间隙缺陷不适用，且机器学习误差会叠加在第一性原理误差上，因此建议使用更高级别参考数据降低误差，作为第一性原理计算的补充工具进行预筛选。